掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
買過本商品的人還買了
智能演化優化 版權信息
- ISBN：9787302654995
- 條形碼：9787302654995 ; 978-7-302-65499-5
- 裝幀：簡裝本
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
智能演化優化 本書特色
l 基于自然界啟發式的求解算法，介紹了與經典數學規劃原理不同的優化算法，通過仿生智能優化算法解決復雜多目標優化問題，豐富了現代優化技術，并提供了解決傳統優化技術難以處理的高維組合優化問題的實際可行方案。 l 高維多目標優化問題的研究：關注高維多目標優化問題，提出新型算法和技術，包括目標降維方法和代理模型輔助優化等，探討在高維目標空間中進行有效的搜索和優化。為處理現實世界中復雜的決策問題提供重要的方法和工具。 l 探索智能演化優化在不同領域的應用：涵蓋了智能演化優化在工業互聯網等領域的柔性作業車間調度問題的研究和開發工作，為相關領域的專業人員提供實用的指導和解決方案。 了解進化多目標優化的基本概念，掌握多目標進化算法和前沿動態，開展柔性作業車間調度問題的應用研究。
智能演化優化 內容簡介
近年來，演化計算作為計算智能領域的化技術，已經廣泛應用于求解組合化、工程化等理論和工程類的化問題，形成了一種基于演化的智能化方法。針對高維空間的多目標化問題，近年來基于分解的多目標演化算法（MOEAs）利用了分而治之的思想有效降低了求解多目標或高維多目標化問題的難度。根據分解的形式不同，基于分解的MOEAs又進一步細分為基于聚合的MOEAs和基于參考點的MOEAs。盡管基于分解的MOEAs是目前求解高維多目標化問題有前景的技術之一，然而它在方法和應用層面均存在著缺陷和不足。本書**分圍繞該類方法，著眼于“如何在目標空間中平衡收斂性和多樣性”“如何在決策空間中平衡探索與開發”以及“如何進行有效的降維”等科學問題，展開了系統性的研究，在進一步完善其理論框架并推廣其在具體問題上的應用。另外，針對多目標柔性作業車間調度這一類典型的NP難工程化問題，本書基于演化化的求解思路，分別研究了面向單目標化的融合問題知識的混合和聲搜索方法（HHS）、面向高維空間單目標化的混合和聲搜索和大鄰域搜索的集成搜索方法（HHS/LNS），以及面向多目標化的基于目標重要性分解的模因演化方法，并在多個基線數據集上取得了異的效果。
本書可作為演化計算、智能化、大數據及人工智能等相關業研究參考和研究生教學用書。
智能演化優化 目錄
上篇多目標化問題與智能演化化方法
第1章引言3
1.1研究背景3
1.2基本概念以及基本框架5
1.2.1多目標化問題5
1.2.2多目標演化算法簡介6
1.3相關研究工作綜述8
1.3.1進化高維多目標化8
1.3.2多目標演化算法中的變化算子11
1.4本章小結12
第2章基礎知識13
2.1典型的基于分解的多目標演化算法13
2.1.1問題分解多目標演化算法13
2.1.2集成適應度排序14
2.1.3第三代非支配排序遺傳算法14
2.1.4多目標遺傳局搜索15
2.2差分進化16
2.3柔性作業車間調度的析取圖模型17
2.4標準測試問題19
2.4.1高維多目標化測試問題19
2.4.2柔性作業車間調度測試問題20
2.5性能指標20
2.6本章小結22
第3章在基于聚合的多目標演化算法中平衡收斂性和多樣性24
3.1前言24
3.2類似算法簡介25
3.3基本思想26
3.4算法詳解27
3.4.1增強MOEA/D28
3.4.2增強EFR29
3.4.3可選歸一化過程30
3.4.4計算復雜度30
3.4.5討論31
3.5實驗設計32
3.5.1測試問題32
3.5.2性能指標34
3.5.3比較算法34
3.5.4實驗設置35
3.6算法的性能分析37
3.6.1參數K的影響38
3.6.2收斂性和多樣性的研究40
3.7與先進算法的比較44
3.7.1在歸一化問題上的比較44
3.7.2在非歸一化問題上的比較53
3.7.3進一步討論56
3.8本章小結57
目錄 智能演化化〖2〗〖2〗 〖1〗 第4章基于新型支配關系的多目標演化算法58
4.1前言58
4.2基于θ支配的演化算法59
4.2.1算法框架59
4.2.2參考點的生成60
4.2.3重組算子61
4.2.4自適應歸一化62
4.2.5聚類算子62
4.2.6θ支配64
4.2.7θDEA的計算復雜度65
4.3實驗設計65
4.3.1測試問題65
4.3.2性能指標66
4.3.3比較算法67
4.3.4實驗設置68
4.4實驗結果70
4.4.1與NSGAⅢ和MOEA/D的比較70
4.4.2與先進算法的比較79
4.4.3參數θ的影響92
4.4.4進一步討論95
4.5本章小結96
第5章基于分解的多目標演化算法中的變化算子97
5.1前言97
5.2目標算法98
5.3實驗研究99
5.3.1實驗設置99
5.3.2NSGAⅢDE中參數的影響100
5.3.3NSGAⅢDE、NSGAⅢSBX: 探索與開發102
5.3.4NSGAⅢ變體之間的比較104
5.4本章小結109
第6章多目標化中的目標降維: 演化多目標化方法與綜合分析110
6.1前言110
6.2基本知識和背景112
6.2.1多目標化112
6.2.2目標降維的基本概念113
6.2.3Pareto前沿的表示和誤導114
6.2.4目標降維的現有方法115
6.3多目標化方法117
6.3.1基于支配結構的多目標化公式117
6.3.2基于相關性的多目標化公式118
6.3.3使用多目標演化化算法119
6.3.4采用多目標化方法的好處120
6.4對基于支配結構的方法和基于相關性方法的分析121
6.4.1理論基礎121
6.4.2基于支配結構的方法的缺點122
6.4.3基于相關性方法的勢和局限性123
6.5基準實驗125
6.5.1基準問題125
6.5.2樣本集的生成126
6.5.3算法的比較126
6.5.4多目標降維方法行為研究127
6.5.5演化多目標化搜索的有效性130
6.5.6在演化多目標搜索領域中確定關鍵目標集的比較132
6.6應用于現實問題141
6.6.1應用于水資源問題141
6.6.2應用于汽車側面碰撞問題142
6.6.3討論143
6.7方法的勢145
6.7.1關于輔助化的目標降維145
6.7.2關于可視化和決策制定147
6.8本章小結148
第7章利用支配預測輔助的高成本多目標演化化150
7.1前言150
7.2背景知識152
7.2.1多目標化152
7.2.2θ支配153
7.2.3深度前饋經網絡154
7.3θDEADP算法155
7.3.1概述155
7.3.2Representative解157
7.3.3基于支配預測的代理模型158
7.3.4兩段預選策略160
7.3.5討論161
7.4實驗162
7.4.1實驗設計162
7.4.2多目標化問題的性能166
7.4.3眾多目標化問題的性能171
7.4.4θDEADP組成分的研究177
7.5本章小結180
上篇總結181
下篇柔性作業車間調度問題及其化求解
第8章FJS問題概述185
8.1多目標柔性作業車間調度問題185
8.2多目標柔性作業車間調度的研究現狀187
8.3模因演算法189
8.3.1模因演算法簡介189
8.3.2求解多目標組合化問題的模因演算法190
8.4本章小結191
第9章基于混合和聲搜索的柔性作業車間調度192
9.1前言192
9.2相關工作介紹193
9.2.1柔性車間調度193
9.2.2和聲搜索算法（HS算法）194
9.2.3混合和聲搜索（HHS）算法和混合TS算法（TSPCB）之間的差異194
9.3HHS算法196
9.3.1算法框架196
9.3.2和聲向量的表示196
9.3.3和聲向量的評估196
9.3.4初始化和聲記憶201
9.3.5新和聲向量生成202
9.3.6依賴問題的局搜索203
9.3.7更新和聲記憶207
9.4實驗207
9.4.1實驗設置207
9.4.2計算結果和比較209
9.4.3HHS與其他算法的進一步比較215
9.5討論218
9.6本章小結219
第10章基于混合差分進化的柔性作業車間調度算法220
10.1前言220
10.2基本DE算法222
10.2.1算法初始化222
10.2.2不同載體的突變222
10.2.3交223
10.2.4選擇223
10.3針對FJSP的HDE223
10.3.1HDE概述223
10.3.2表示和初始化225
10.3.3雙向量編碼225
10.3.4轉換技術227
10.3.5局搜索算法229
10.4實驗233
10.4.1實驗設置233
10.4.2Kacem實例的結果235
10.4.3BRdata實例的結果235
10.4.4BCdata實例的結果235
10.4.5HUdata實例的結果239
10.4.6HDE的進一步性能分析244
10.5本章小結251
第11章大規模柔性作業車間調度問題的集成搜索啟發式算法252
11.1前言252
11.2混合和聲搜索253
11.2.1HS簡介253
11.2.2HHS程序254
11.2.3HHS對FJSP的適配255
11.3大鄰域搜索260
11.3.1LNS概述260
11.3.2FJSP的基于約束的模型261
11.3.3約束破壞算法261
11.3.4構造算法262
11.4集成的啟發式搜索方法: HHS/LNS262
11.5實驗研究263
11.5.1實驗設置263
11.5.2HHS模塊性能分析263
11.5.3LNS模塊性能分析268
11.5.4整合效應269
11.5.5大規模基準實例的計算結果269
11.6本章小結276
第12章求解多目標柔性作業車間調度的模因演算法278
12.1前言278
12.2算法概述279
12.3全局搜索策略280
12.3.1染色體編碼280
12.3.2染色體解碼281
12.3.3遺傳作282
12.4局搜索策略283
12.4.1個體選擇283
12.4.2針對個體的局搜索284
12.5實驗分析289
12.5.1評指標290
12.5.2局搜索中接受準則的實驗研究291
12.5.3遺傳搜索和局搜索混合的有效性293
12.5.4局搜索中分層策略的有效性297
12.5.5與先進算法的比較299
12.6進一步討論307
12.7本章小結308
下篇總結309
參考文獻310
附錄A334
A.1英文縮寫對照表334
A.2圖片索引338
A.3表格索引342
第1章引言3
1.1研究背景3
1.2基本概念以及基本框架5
1.2.1多目標化問題5
1.2.2多目標演化算法簡介6
1.3相關研究工作綜述8
1.3.1進化高維多目標化8
1.3.2多目標演化算法中的變化算子11
1.4本章小結12
第2章基礎知識13
2.1典型的基于分解的多目標演化算法13
2.1.1問題分解多目標演化算法13
2.1.2集成適應度排序14
2.1.3第三代非支配排序遺傳算法14
2.1.4多目標遺傳局搜索15
2.2差分進化16
2.3柔性作業車間調度的析取圖模型17
2.4標準測試問題19
2.4.1高維多目標化測試問題19
2.4.2柔性作業車間調度測試問題20
2.5性能指標20
2.6本章小結22
第3章在基于聚合的多目標演化算法中平衡收斂性和多樣性24
3.1前言24
3.2類似算法簡介25
3.3基本思想26
3.4算法詳解27
3.4.1增強MOEA/D28
3.4.2增強EFR29
3.4.3可選歸一化過程30
3.4.4計算復雜度30
3.4.5討論31
3.5實驗設計32
3.5.1測試問題32
3.5.2性能指標34
3.5.3比較算法34
3.5.4實驗設置35
3.6算法的性能分析37
3.6.1參數K的影響38
3.6.2收斂性和多樣性的研究40
3.7與先進算法的比較44
3.7.1在歸一化問題上的比較44
3.7.2在非歸一化問題上的比較53
3.7.3進一步討論56
3.8本章小結57
目錄 智能演化化〖2〗〖2〗 〖1〗 第4章基于新型支配關系的多目標演化算法58
4.1前言58
4.2基于θ支配的演化算法59
4.2.1算法框架59
4.2.2參考點的生成60
4.2.3重組算子61
4.2.4自適應歸一化62
4.2.5聚類算子62
4.2.6θ支配64
4.2.7θDEA的計算復雜度65
4.3實驗設計65
4.3.1測試問題65
4.3.2性能指標66
4.3.3比較算法67
4.3.4實驗設置68
4.4實驗結果70
4.4.1與NSGAⅢ和MOEA/D的比較70
4.4.2與先進算法的比較79
4.4.3參數θ的影響92
4.4.4進一步討論95
4.5本章小結96
第5章基于分解的多目標演化算法中的變化算子97
5.1前言97
5.2目標算法98
5.3實驗研究99
5.3.1實驗設置99
5.3.2NSGAⅢDE中參數的影響100
5.3.3NSGAⅢDE、NSGAⅢSBX: 探索與開發102
5.3.4NSGAⅢ變體之間的比較104
5.4本章小結109
第6章多目標化中的目標降維: 演化多目標化方法與綜合分析110
6.1前言110
6.2基本知識和背景112
6.2.1多目標化112
6.2.2目標降維的基本概念113
6.2.3Pareto前沿的表示和誤導114
6.2.4目標降維的現有方法115
6.3多目標化方法117
6.3.1基于支配結構的多目標化公式117
6.3.2基于相關性的多目標化公式118
6.3.3使用多目標演化化算法119
6.3.4采用多目標化方法的好處120
6.4對基于支配結構的方法和基于相關性方法的分析121
6.4.1理論基礎121
6.4.2基于支配結構的方法的缺點122
6.4.3基于相關性方法的勢和局限性123
6.5基準實驗125
6.5.1基準問題125
6.5.2樣本集的生成126
6.5.3算法的比較126
6.5.4多目標降維方法行為研究127
6.5.5演化多目標化搜索的有效性130
6.5.6在演化多目標搜索領域中確定關鍵目標集的比較132
6.6應用于現實問題141
6.6.1應用于水資源問題141
6.6.2應用于汽車側面碰撞問題142
6.6.3討論143
6.7方法的勢145
6.7.1關于輔助化的目標降維145
6.7.2關于可視化和決策制定147
6.8本章小結148
第7章利用支配預測輔助的高成本多目標演化化150
7.1前言150
7.2背景知識152
7.2.1多目標化152
7.2.2θ支配153
7.2.3深度前饋經網絡154
7.3θDEADP算法155
7.3.1概述155
7.3.2Representative解157
7.3.3基于支配預測的代理模型158
7.3.4兩段預選策略160
7.3.5討論161
7.4實驗162
7.4.1實驗設計162
7.4.2多目標化問題的性能166
7.4.3眾多目標化問題的性能171
7.4.4θDEADP組成分的研究177
7.5本章小結180
上篇總結181
下篇柔性作業車間調度問題及其化求解
第8章FJS問題概述185
8.1多目標柔性作業車間調度問題185
8.2多目標柔性作業車間調度的研究現狀187
8.3模因演算法189
8.3.1模因演算法簡介189
8.3.2求解多目標組合化問題的模因演算法190
8.4本章小結191
第9章基于混合和聲搜索的柔性作業車間調度192
9.1前言192
9.2相關工作介紹193
9.2.1柔性車間調度193
9.2.2和聲搜索算法（HS算法）194
9.2.3混合和聲搜索（HHS）算法和混合TS算法（TSPCB）之間的差異194
9.3HHS算法196
9.3.1算法框架196
9.3.2和聲向量的表示196
9.3.3和聲向量的評估196
9.3.4初始化和聲記憶201
9.3.5新和聲向量生成202
9.3.6依賴問題的局搜索203
9.3.7更新和聲記憶207
9.4實驗207
9.4.1實驗設置207
9.4.2計算結果和比較209
9.4.3HHS與其他算法的進一步比較215
9.5討論218
9.6本章小結219
第10章基于混合差分進化的柔性作業車間調度算法220
10.1前言220
10.2基本DE算法222
10.2.1算法初始化222
10.2.2不同載體的突變222
10.2.3交223
10.2.4選擇223
10.3針對FJSP的HDE223
10.3.1HDE概述223
10.3.2表示和初始化225
10.3.3雙向量編碼225
10.3.4轉換技術227
10.3.5局搜索算法229
10.4實驗233
10.4.1實驗設置233
10.4.2Kacem實例的結果235
10.4.3BRdata實例的結果235
10.4.4BCdata實例的結果235
10.4.5HUdata實例的結果239
10.4.6HDE的進一步性能分析244
10.5本章小結251
第11章大規模柔性作業車間調度問題的集成搜索啟發式算法252
11.1前言252
11.2混合和聲搜索253
11.2.1HS簡介253
11.2.2HHS程序254
11.2.3HHS對FJSP的適配255
11.3大鄰域搜索260
11.3.1LNS概述260
11.3.2FJSP的基于約束的模型261
11.3.3約束破壞算法261
11.3.4構造算法262
11.4集成的啟發式搜索方法: HHS/LNS262
11.5實驗研究263
11.5.1實驗設置263
11.5.2HHS模塊性能分析263
11.5.3LNS模塊性能分析268
11.5.4整合效應269
11.5.5大規模基準實例的計算結果269
11.6本章小結276
第12章求解多目標柔性作業車間調度的模因演算法278
12.1前言278
12.2算法概述279
12.3全局搜索策略280
12.3.1染色體編碼280
12.3.2染色體解碼281
12.3.3遺傳作282
12.4局搜索策略283
12.4.1個體選擇283
12.4.2針對個體的局搜索284
12.5實驗分析289
12.5.1評指標290
12.5.2局搜索中接受準則的實驗研究291
12.5.3遺傳搜索和局搜索混合的有效性293
12.5.4局搜索中分層策略的有效性297
12.5.5與先進算法的比較299
12.6進一步討論307
12.7本章小結308
下篇總結309
參考文獻310
附錄A334
A.1英文縮寫對照表334
A.2圖片索引338
A.3表格索引342
展開全部
智能演化優化 作者簡介
徐華，博士，2003年畢業于清華大學計算機科學與技術系，現為清華大學計算機科學與技術系長聘副教授，博士生導師。從事多模態智能信息處理、智能優化和共融機器人智能控制等研究工作。擔任愛思唯爾（Elsevier）開放期刊Intelligent Systems with Applications首任主編，權威期刊Expert Systems with Applications副主編。完成國家科技重大專項課題3項，國家自然科學基金項目4項，國家973項目二級課題2項，國家863項目（課題）5項，國際500強企業（寶潔、西門子、安捷倫等）合作項目13項。目前已在本專業領域權威國際期刊和AAAI、ACL、ACMMM等頂級會議上發表學術論文100余篇。獲得國家科技進步獎二等獎1項（集體獎），北京市科學技術獎一等獎1項，北京市科學技術獎二等獎1項（集體獎），北京市科學技術獎三等獎1項，重慶市科技進步獎三等獎1項，中國物流與采購聯合會科技發明獎一等獎1項，中國物流與采購聯合會科學技術獎一等獎1項。作為主講教師，主講清華大學全校性課程“數據挖掘：方法與應用”“工業數據挖掘與分析”“互聯網產品設計”等課程。獨立編寫專著和教材5本，其中《演化機器學習》是國內首部演化機器學習領域的學術專著；《面向共融機器人的自然交互——人機對話意圖理解》是國內首部共融機器人自然交互領域的學術專著；《數據挖掘：方法與應用》和《數據挖掘：方法與應用——應用案例》已經被國內眾多高校選用為配套教材，并獲得清華大學優秀教材（2020年）二等獎。 袁源，教授，博士生導師。2015年博士畢業于清華大學計算機科學與技術系，畢業后先后在新加坡南洋理工大學和美國密歇根州立大學從事博士后研究工作。2020年入選國家高層次青年人才項目。研究領域包括計算智能、機器學習、智能軟件工程、多目標優化等。迄今為止，以第一作者在IEEE TSE、IEEETEVC、AIJ、ACM GECCO等國際頂級學術期刊和會議發表論文10余篇，4篇論文為ESI高被引論文，1篇論文入選中國百篇最具影響國際學術論文。目前擔任IEEE TEVC、IEEE TETCI、ISWA國際期刊副主編，長期擔任人工智能領域多個國際頂級期刊的審稿人。
書友推薦
- >
中國人在烏蘇里邊疆區:歷史與人類學概述
- >
伯納黛特,你要去哪(2021新版)
- >
山海經
- >
【精裝繪本】畫給孩子的中國神話
- >
回憶愛瑪儂
- >
推拿
- >
莉莉和章魚
- >
二體千字文
本類暢銷
